[发明专利]一种基于注意力机制和DropBlock的YOLOv5海洋鱼类目标检测方法

说明书

一种基于注意力机制和DropBlock的YOLOv5海洋鱼类目标检测方法，它包括以下步骤：步骤1：进行目标鱼类数据集的获取；步骤2：对所获得的数据集进行标注、划分；步骤3：构造加入注意力机制和DropBlock的YOLOv5海洋鱼类目标检测模型；步骤4：采用所构造的海洋鱼类目标检测模型进行鱼类的检测。本发明的目的是为了解决现有的鱼类检测方法由于海洋鱼类活动范围较大以及多样的生存环境，在水下拍摄的鱼类存在变形，无法捕捉到较为清晰的鱼类目标，影响鱼类检测的准确率，而单一的卷积神经网络提取鱼类特征易受到图像噪声的干扰，无法快速的检测出鱼类，从而影响目标检测方法的速度和精度的技术问题。

技术领域

本发明属于鱼类研究技术领域，具体涉及一种基于注意力机制和DropBlock的YOLOv5海洋鱼类目标检测方法。

背景技术

海洋鱼类种类繁多、活动范围广，依靠人工统计效率低且难度大。另外，拍摄鱼类目标多为水下拍摄，存在水体浑浊、波动、以及光线扰动，导致图片中鱼类目标清晰度不高。

在现有技术中，申请公布号为CN112926652A的专利文献公开了一种基于深度学习的鱼类细粒度图像识别方法，它选取公开的海洋鱼类视频数据集，无法较好的适应并提取本国海域的鱼类特征；使用融合候选区域的卷积神经网络对鱼类图像进行检测时，检测的速度不够快，检测效果和泛化性不够好。

发明内容

本发明的目的是为了解决现有的鱼类检测方法由于海洋鱼类活动范围较大以及多样的生存环境，在水下拍摄的鱼类存在变形，无法捕捉到较为清晰的鱼类目标，影响鱼类检测的准确率，而单一的卷积神经网络提取鱼类特征易受到图像噪声的干扰，无法快速的检测出鱼类，从而影响目标检测方法的速度和精度的技术问题。

一种基于注意力机制和DropBlock的YOLOv5海洋鱼类目标检测方法，它包括以下步骤：

步骤1：进行目标鱼类数据集的获取；

步骤2：对所获得的数据集进行标注、划分；

步骤3：构造加入注意力机制和DropBlock的YOLOv5海洋鱼类目标检测模型；

步骤4：采用所构造的海洋鱼类目标检测模型进行鱼类的检测。

在步骤3中，模型结构为：将由步骤2获得的鱼类数据集依次经过第一CBS模块---第二CBS模块---第一C3模块---第三CBS模块---第二C3模块---第四CBS模块---第三C3模块---第五CBS模块---第四C3模块---SPPF模块---第六CBS模块---第一Unsample模块---第一Concat模块---第五C3模块---第七CBS模块---第二Upsample模块---第二Concat模块---第六C3模块---第八CBS模块---第三Concat模块---第七C3模块---第九CBS模块---第四Concat模块---第八C3模块；

其中，第一Unsample模块的输出与第三C3模块的输出拼接并输入第一Concat模块；

第二Unsampale模块的输出与第二C3模块的输出拼接并输入第二Concat模块；

第六C3模块的输出输入第一卷积模块Conv的输入端，第一卷积模块Conv的输出作为第一输出结果；

第七C3模块的输出输入第二卷积模块Conv的输入端，第二卷积模块Conv的输出作为第二输出结果；

第八C3模块的输出输入第三卷积模块Conv的输入端，第三卷积模块Conv的输出作为第三输出结果；

第一输出结果、第二输出结果、第三输出结果合并以获得合并后的检测结果。

第一C3模块、第二C3模块、第三C3模块、第四C3模块和第五C3模块为改进的C3模块，它包括C3模块以及与C3模块的输出连接的ECA模块；